論文の概要: An Open-Source Tool for Mapping War Destruction at Scale in Ukraine using Sentinel-1 Time Series

• arxiv url: http://arxiv.org/abs/2406.02506v1
• Date: Tue, 4 Jun 2024 17:24:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 15:00:24.002677
• Title: An Open-Source Tool for Mapping War Destruction at Scale in Ukraine using Sentinel-1 Time Series
• Title（参考訳）: Sentinel-1 Time Series を用いたウクライナの大規模戦時破壊をマッピングするオープンソースツール
• Authors: Olivier Dietrich, Torben Peters, Vivien Sainte Fare Garnot, Valerie Sticher, Thao Ton-That Whelan, Konrad Schindler, Jan Dirk Wegner,
• Abstract要約: 本研究では、戦争による建物被害を推定するためのスケーラブルで伝達可能な手法を提案する。 まず、SAR(Synthetic Aperture Radar)衛星画像時系列から画素単位の破壊確率を出力する機械学習モデルを訓練する。 次に、オープン・ビル・フットプリントを用いて、これらの評価を後処理し、建物ごとの最終的な損傷推定値を得る。
• 参考スコア（独自算出の注目度）: 16.900687593159066
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Access to detailed war impact assessments is crucial for humanitarian organizations to effectively assist populations most affected by armed conflicts. However, maintaining a comprehensive understanding of the situation on the ground is challenging, especially in conflicts that cover vast territories and extend over long periods. This study presents a scalable and transferable method for estimating war-induced damage to buildings. We first train a machine learning model to output pixel-wise probability of destruction from Synthetic Aperture Radar (SAR) satellite image time series, leveraging existing, manual damage assessments as ground truth and cloud-based geospatial analysis tools for large-scale inference. We further post-process these assessments using open building footprints to obtain a final damage estimate per building. We introduce an accessible, open-source tool that allows users to adjust the confidence interval based on their specific requirements and use cases. Our approach enables humanitarian organizations and other actors to rapidly screen large geographic regions for war impacts. We provide two publicly accessible dashboards: a Ukraine Damage Explorer to dynamically view our pre-computed estimates, and a Rapid Damage Mapping Tool to easily run our method and produce custom maps.
• Abstract（参考訳）: 人道的な組織にとって、より詳細な戦争影響評価へのアクセスは、武装紛争に最も影響された人口を効果的に支援することが不可欠である。 しかし、特に広大な領土をカバーし、長期にわたって続く紛争においては、地上の状況を包括的に把握することは困難である。 本研究では、戦争による建物被害を推定するためのスケーラブルで伝達可能な手法を提案する。 まず,SAR(Synthetic Aperture Radar, 合成開口レーダ)衛星画像時系列から, 既存の手動損傷評価を地平線として活用し, 大規模推論のためのクラウドベースの地理空間解析ツールを用いて, 画素単位の破壊確率を推定する機械学習モデルを訓練する。 さらに, オープン・ビル・フットプリントを用いて, 建物ごとの最終損傷推定値を得るため, これらの評価を後処理する。 ユーザが特定の要件やユースケースに基づいて信頼区間を調整できる、アクセス可能なオープンソースのツールを紹介します。 我々のアプローチは、人道的組織や他のアクターが戦争の影響を迅速に受けられるようにしている。 ウクライナのダメージエクスプローラーは、事前に計算された見積もりを動的に見ることができ、Rapid damage Mapping Toolは、我々のメソッドを実行しカスタムマップを作成することができます。

関連論文リスト

• Building Damage Assessment in Conflict Zones: A Deep Learning Approach Using Geospatial Sub-Meter Resolution Data [9.146968506196446]
  我々は,ウクライナのマリプオール市における,紛争前の画像と紛争後の画像を用いた注釈付きデータセットを構築した。 次に、ゼロショットおよび学習シナリオの両方において、CNNモデルの転送可能性について検討する。 これは、サブメートル分解能画像を用いて戦闘帯の建物損傷を評価する最初の研究である。
  論文  参考訳（メタデータ） (2024-10-07T07:26:38Z)
• Towards Efficient Disaster Response via Cost-effective Unbiased Class Rate Estimation through Neyman Allocation Stratified Sampling Active Learning [11.697034536189094]
  本稿では,二分分類のためのランダムサンプリング木を構築する革新的なアルゴリズムを提案する。 その結果,本手法は受動的および従来の能動的学習手法を超越していることが判明した。 従来のアクティブな学習戦略における「サンプルバイアス」の課題に効果的に対処する。
  論文  参考訳（メタデータ） (2024-05-28T01:34:35Z)
• Open Access Battle Damage Detection via Pixel-Wise T-Test on Sentinel-1 Imagery [0.0]
  本稿では,建物損傷検出のための新しい手法を提案する。 Pixel-Wise T-Test (PWTT) は、一定時間間隔で広範囲にわたる正確な衝突損傷推定を生成する。 精度は、ウクライナ、パレスチナ、シリア、イラクの12都市にまたがる50万以上の建物フットプリントの当初のデータセットを用いて評価されている。
  論文  参考訳（メタデータ） (2024-05-10T08:50:08Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• ADAPT: An Open-Source sUAS Payload for Real-Time Disaster Prediction and Response with AI [55.41644538483948]
  小型無人航空機システム(sUAS)は、多くの人道支援や災害対応作戦において顕著な構成要素となっている。 我々は,SUAS上にリアルタイムAIとコンピュータビジョンをデプロイするための,オープンソースのADAPTマルチミッションペイロードを開発した。 本研究では,河川氷の状態を監視し,破滅的な洪水現象をタイムリーに予測するための,リアルタイム・飛行中の氷分断の例を示す。
  論文  参考訳（メタデータ） (2022-01-25T14:51:19Z)
• Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
  我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。 歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。 2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
  論文  参考訳（メタデータ） (2021-01-07T06:08:21Z)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)
• Monitoring War Destruction from Space: A Machine Learning Approach [1.0149624140985478]
  紛争地帯における建物破壊に関する既存のデータは、目撃者の報告や手動による検出に依存している。 本稿では,ディープラーニング技術を用いた高解像度衛星画像の自動破壊計測手法を提案する。 我々は、シリア内戦と国内の主要都市における被害の進展にこの方法を適用した。
  論文  参考訳（メタデータ） (2020-10-12T19:01:20Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。